
#Quelques imports très utiles
import pandas as pd 
import numpy as np
import matplotlib.pyplot as plt 
import os 
import seaborn as sns
from io import BytesIO
import base64
import warnings
import plotly.express as px
import json
from datetime import datetime
from sklearn.linear_model import LinearRegression
from sklearn.model_selection import train_test_split
from sklearn.metrics import mean_squared_error, r2_score
import re
import folium


URL = "https://www.insee.fr/fr/statistiques/fichier/2015759/deve-envir-emissions-co2.xlsx"
df = pd.read_excel(URL)

# Rendre le dataframe lisible
def transform(dataset):
    colonnes = ['Émissions de gaz à effet de serre par activité'] + [ f'{i}' for i in range(1990,2023)]
    dataset.set_axis(colonnes, axis=1, inplace=True)
    dataset = dataset[3:11].reset_index()
    dataset.drop('index', axis=1, inplace = True)
    return dataset
df = transform(df)
df.head()


# Tracer l'évolution 
plt.figure(figsize=(12,8))
sns.set(style="whitegrid")
palette = sns.color_palette("husl", n_colors=7)
colonnes = df.columns.to_list()[1:]
colonnes_int = [int(x) for x in colonnes]

for i in df.index.to_list():
    if i<7:
        nom = df['Émissions de gaz à effet de serre par activité'][i]
        evol = [df[col][i] for col in colonnes]
        #evol = df[colonnes][i:i+1].values
        plt.plot(colonnes_int, evol, label = f'{nom}', color = palette[i])
    else:
        pass
plt.xlabel('Année')
plt.ylabel('en millions de tonnes d’équivalent CO₂')
plt.title('Évolution des émissions de gaz à effet de serre par activité')
plt.legend(bbox_to_anchor=(1.05, 1), loc='upper left')
plt.show()
img_data = BytesIO()  # Conversion du graphique en image base64
plt.savefig(img_data, format='png')
img_data.seek(0)
img_base64 = base64.b64encode(img_data.read()).decode()
graph_html = f'<img src="data:image/png;base64,{img_base64}" alt="Graphique d\'autonomie">'  #conserver le graphique sous format html pour le site

<Figure size 640x480 with 0 Axes>


URL = 'https://www.data.gouv.fr/fr/datasets/r/3e00d056-13ef-4069-b7bb-045859750a90'
df = pd.read_csv(URL)


print(df['Véhicule'].unique())
print(df.columns.to_list())

['2RM' 'PL' 'Autocar' 'Bus' 'Voiture' 'VUL']
['Année', 'Véhicule', 'Carburant', 'Roulage', 'CO (g/km)', 'HC (g/km)', 'NOx (g/km)', 'Particules (g/km)']


liste_vehicule = ['2RM', 'PL', 'Autocar', 'Bus', 'Voiture', 'VUL']
liste_df = [df[df['Véhicule']==f'{vehicule}'] for vehicule in liste_vehicule]

for i, dataframe in enumerate(liste_df): 
    palette = sns.color_palette("husl", n_colors=6)
    dataframe_urbain = dataframe[dataframe['Roulage']=='Urbain']
    dataframe_rural = dataframe[dataframe['Roulage']=='Rural']
    plt.figure(figsize=(12,8))
    plt.plot(dataframe_urbain['Année'], dataframe_urbain['CO (g/km)'], color = palette[0], 
             label = f"émissions de CO (g/km) pour les {liste_vehicule[i]} en zone urbaine")
    plt.plot(dataframe_rural['Année'], dataframe_rural['CO (g/km)'], color = palette[1], 
             label = f"émissions de CO (g/km) pour les {liste_vehicule[i]} en zone rurale")
    plt.plot(dataframe_urbain['Année'], dataframe_urbain['HC (g/km)'], color = palette[2], 
             label = f"émissions de HC (g/km) pour les {liste_vehicule[i]} en zone urbaine")
    plt.plot(dataframe_rural['Année'], dataframe_rural['HC (g/km)'], color = palette[3], 
             label = f"émissions de HC (g/km) pour les {liste_vehicule[i]} en zone rurale")
    plt.plot(dataframe_urbain['Année'], dataframe_urbain['NOx (g/km)'], color = palette[4], 
             label = f"émissions de NOx (g/km) pour les {liste_vehicule[i]} en zone urbaine")
    plt.plot(dataframe_rural['Année'], dataframe_rural['NOx (g/km)'], color = palette[5], 
             label = f"émissions de NOx (g/km) pour les {liste_vehicule[i]} en zone rurale")
    plt.legend(bbox_to_anchor=(1.05, 1), loc='upper left')
    plt.xlabel('Année')
    plt.show()


#télécharger le fichier geojson
os.chdir("/Users/augustincablant/Documents/GitHub/Pycar")
file = ur.urlopen("https://raw.githubusercontent.com/gregoiredavid/france-geojson/master/departements-avec-outre-mer.geojson")
a = open ("DOWNLOAD/geojsonFRANCE.geojson", "w+")
for line in file :
    a.write(str(line, encoding = "UTF-8"))
a.close()


#télécharger le fichier wikipedia
data = pd.read_html("https://fr.wikipedia.org/wiki/Liste_des_d%C3%A9partements_fran%C3%A7ais_class%C3%A9s_par_population_et_superficie")
file = data[0].to_csv("DOWNLOAD/PopDep.csv")


#On nettoie le dataframe pour le rendre lisible
os.chdir("/Users/augustincablant/Documents/GitHub/Pycar")
def clean_dataframe() :
    warnings.filterwarnings('ignore')
    dataframe = pd.read_csv("DOWNLOAD/PopDep.csv", low_memory= False, delimiter = ",", encoding="UTF-8")
    
    # Retirer les lignes du dataframe incompatible avec le fichier geojson
    dataframe2 = dataframe.loc[dataframe["CodeInsee"].apply(lambda x : len(x)) < 3]
    
    # Créer une colonne où chaque ligne représente un indice(float) de densité de population
    dataframe2["Echelle de densité"]= dataframe2["Densité(hab./km2)"].apply(lambda x : np.log(float(x.replace(",",".").replace("\xa0",""))))
    return dataframe2

#Affiche une carte de la France avec la densité de population par département
def create_choropleth_map():
    #charge le fichier sous un format adéquat
    geojsonf = json.load(open ("DOWNLOAD/geojsonFRANCE.geojson", "r"))
    #crée une carte de la France coloriée par département par indice de densité
    fig = px.choropleth(clean_dataframe(), locations = "CodeInsee", geojson = geojsonf, featureidkey= "properties.code", color = "Echelle de densité", hover_name="Département",hover_data=["Densité(hab./km2)"],title = 'Densité de population par département en France métropolitaine')
    fig.update_geos(fitbounds = "locations", visible = False)
    return fig


clean_dataframe()
create_choropleth_map()


df = pd.read_csv('/Users/augustincablant/Desktop/data.csv')
df.head()


df.shape


# On ne conserve que la France 
df_fr = df[df['Country']=='FR']
df_fr.shape


# On opère à une sélection des colonnes 
colonnes_utiles = ['Mp','m (kg)', 'Ft', 'ep (KW)', 'z (Wh/km)','Status', 'year', 'Fuel consumption ', 'Electric range (km)']
df_fr = df_fr[colonnes_utiles]
print(df_fr.shape)
df_fr.to_csv('/Users/augustincablant/Documents/GitHub/Pycar/DOWNLOAD/voitures_fr.csv')


os.chdir("/Users/augustincablant/Documents/GitHub/Pycar")
df = pd.read_csv('DOWNLOAD/voitures_fr.csv')
df.drop('Unnamed: 0', axis=1, inplace = True)


df.sample(10)


list(df.columns)

['Mp',
 'm (kg)',
 'Ft',
 'ep (KW)',
 'z (Wh/km)',
 'Status',
 'year',
 'Fuel consumption ',
 'Electric range (km)']


list(df['Ft'].unique())

['ELECTRIC', 'PETROL/ELECTRIC', 'DIESEL/ELECTRIC', 'HYDROGEN']


list(df['Mp'].unique())

['RENAULT-NISSAN-MITSUBISHI',
 'STELLANTIS',
 'VOLKSWAGEN',
 'TESLA-HONDA-JLR',
 nan,
 'MAZDA-SUBARU-SUZUKI-TOYOTA',
 'BMW',
 'FORD',
 'MERCEDES-BENZ',
 'HYUNDAI MOTOR EUROPE',
 'KIA']


# Autonomie des véhicules électriques en fonction de leur poids 
plt.figure(figsize=(12,8))
sns.scatterplot(data=df, x='m (kg)', y = 'Electric range (km)', hue = 'Ft')
plt.xlabel('Poids en kg')
plt.ylabel('Autonomie en km')
plt.legend()
plt.title('Autonomie des véhicules électriques en fonction de leur poids')
plt.show()


# Autonomie des véhicules électriques en fonction de leur poids selon le constructeur
plt.figure(figsize=(12,8))
sns.scatterplot(data=df, x='m (kg)', y = 'Electric range (km)', hue = 'Mp')
plt.xlabel('Poids en kg')
plt.ylabel('Autonomie en km')
plt.title('Autonomie des véhicules électriques en fonction de leur poids selon le constructeur')
plt.legend()
plt.show()


plt.figure(figsize=(12,8))
sns.scatterplot(data=df, x='z (Wh/km)', y = 'Electric range (km)', hue = 'Mp')
plt.xlabel('Poids en kg')
plt.ylabel('Autonomie en km')
plt.legend()
plt.show()


# Comparons l'autonomie des véhicules 
plt.figure(figsize=(12,8))
sns.histplot(data=df, x='Electric range (km)', bins = 200, label = 'Autonomie des véhicules électriques en France')
plt.legend()
plt.show()


os.chdir("/Users/augustincablant/Documents/GitHub/Pycar")
data_vehicles_2013_2021 = pd.read_csv('DOWNLOAD/data_vehicles_french_2013_2021.csv', low_memory=False).fillna(0)
data_vehicles_2013_2021.head()


repartitionvehiculesneufs = pd.read_excel('DOWNLOAD/sect-ind-auto-immat-energie.xlsx',header=3,)
repartitionvehiculesneufs = repartitionvehiculesneufs.loc[[0,1,2,3,4,5],:]
repartitionvehiculesneufs_2015_2021=repartitionvehiculesneufs[["Type d'énergie",2015,2021]]
repartitionvehiculesneufs_2015_2021.head()


#Répartition de vente des véhicules en fonction de leur motorisation
year=[2015,2021]
for i in year:
    seuil_importance = 1  
    plt.figure(figsize=(8,8))
    data=repartitionvehiculesneufs[["Type d'énergie",i]]
    plt.pie( data.loc[:,i], 
            labels= data.loc[:,"Type d'énergie"], 
            autopct=lambda p: '{:.1f}%'.format(p) if p > seuil_importance else '',
            startangle=90, 
            labeldistance=None)
    val_legende=data.loc[:,i]/(sum(data.loc[:,i]))
    plt.legend(bbox_to_anchor=(1.05, 1))
    plt.title('Répartition de vente des véhicules en fonction de leur motorisation en {}'.format(i))
    plt.show()


#on garde seulement les colonnes qui nous intéressent
data_vehicles_final=data_vehicles_2013_2021.loc[:,['Mh','Cn','year','Ft','m (kg)','Enedc (g/km)','Ewltp (g/km)','Electric range (km)','Fuel consumption ']].drop_duplicates(subset='Cn',keep='first').sort_values('year',ascending=True) 
#on reshape les data (pour uniformiser les catégories)
data_vehicles_final = data_vehicles_final[data_vehicles_final['Mh']!='PSA']
data_vehicles_final = data_vehicles_final[data_vehicles_final['Ft']!=0]
data_vehicles_final['Ft']=data_vehicles_final['Ft'].apply(lambda x : x.lower())

data_vehicles_final.head(-10)


data_vehicles_constr = data_vehicles_final.loc[:,['Mh','year','Enedc (g/km)', 'Ewltp (g/km)']].groupby(['year','Mh'])
data_emission_mean = data_vehicles_constr.mean() #on construit le dataframe de la valeur moyenne des émissions
constr=list(set(data_vehicles_final['Mh'])) #on récupère la liste des constructeurs
year=[2013,2021]
for i in range(len(year)):
    data_emission=data_emission_mean.loc[data_emission_mean.index[[3*i,3*i+1,3*i+2]]]
    if i==0:
        values='Enedc (g/km)' #type de controle qui a changé
    elif i==1:
        values = 'Ewltp (g/km)' #type de controle qui a changé
    plt.figure(figsize=(12,8))
    plt.bar(constr, data_emission[values])
    plt.legend(bbox_to_anchor=(1.05, 1))
    plt.show()

No artists with labels found to put in legend.  Note that artists whose label start with an underscore are ignored when legend() is called with no argument.

No artists with labels found to put in legend.  Note that artists whose label start with an underscore are ignored when legend() is called with no argument.


#affichage de la répartition des véhicules neufs dévéloppés par les constructeurs français

year=[2013,2021]
for i in range(len(year)):
    data=data_vehicles_final[data_vehicles_final["year"]==year[i]]
    compt_ft=data['Ft'].value_counts()
    plt.figure(figsize=(8,8))
    plt.pie(compt_ft.values, 
            labels=compt_ft.index, 
            autopct=lambda p: '{:.1f}%'.format(p) if p > seuil_importance else '',
            startangle=90,
            labeldistance=None)
    plt.legend(bbox_to_anchor=(1.05, 1))
    plt.title('Répartition des véhicules neufs en fonction de leur motorisation en {}'.format(year[i]))
    plt.show()


# classement des voitures électriques en 2023
os.chdir("/Users/augustincablant/Documents/GitHub/Pycar")
classement = pd.read_csv('SCRAP/classement_VE_2023.csv')
classement.sort_values(by = 'Classement', inplace = True)
plt.figure(figsize = (16,8))
sns.barplot(x='Voitures', y='Classement', data=classement, palette='viridis')
plt.title('Classement des voitures électriques en 2023')
plt.xlabel('Voitures')
plt.ylabel('Classement')
plt.xticks(rotation=90)
plt.legend()
plt.show()

# classement.head()

No artists with labels found to put in legend.  Note that artists whose label start with an underscore are ignored when legend() is called with no argument.


# Faire apparaître le top 10 
plt.figure(figsize=(12, 4))
sns.barplot(x='Voitures', y='Classement', data=classement[0:10], palette='viridis')
plt.title('Classement des 10 premières voitures électriques en 2023')
plt.xlabel('Classement')
plt.ylabel('Voitures')
plt.xticks(rotation = 90)
plt.show()


autonomie = pd.read_csv('SCRAP/autonomie_VE.csv')
autonomie.drop_duplicates(subset = 'Voitures', inplace = True)
autonomie.head()


def get_km(row):
    if not pd.isna(row):
        return int(row.split(' ')[0])
    else:
        return row
autonomie['Autonomie_int'] = autonomie['Autonomie'].apply(get_km)
autonomie.sort_values(by = 'Autonomie_int', ascending = False, inplace = True)

plt.figure(figsize=(16, 8))
sns.barplot(x='Voitures', y='Autonomie_int', data=autonomie[0:10], palette='viridis')
plt.title('Classement des 10 premières voitures électriques les plus autonomes en 2023')
plt.xlabel('Voitures')
plt.ylabel('Autonomie en km')
plt.xticks(rotation = 90)
plt.show()


os.chdir("/Users/augustincablant/Documents/GitHub/PyCar")
def evolution_nbre_voiture_elec():
    df = pd.read_csv('DOWNLOAD/Voitures.csv', sep=';')
    List_date = []
    List_nombre = []

    for row in df.itertuples():
        date0 = row.date_arrete
        date = datetime.strptime(date0, "%d/%m/%Y").strftime("%Y-%m-%d")
        nbre = row.nb_vp_rechargeables_el
        if date in List_date:
            for i in range(len(List_date)):
                if List_date[i] == date:
                    List_nombre[i] += nbre
        else:
            List_date.append(date)
            List_nombre.append(nbre)

    dict = {'Date': List_date, 'Nombre': List_nombre}

    dataframe = pd.DataFrame(dict)
    df0 = dataframe.sort_values('Date')
    fig = px.line(df0, x='Date', y='Nombre',
                  title='Evolution du parc de véhicules électriques en France')
    return fig
evolution_nbre_voiture_elec()


URL = 'https://www.data.gouv.fr/fr/datasets/r/4e4fccdb-6acb-4e31-8b2d-cb170f639f1a'
df = pd.read_csv(URL, sep = ';')
print(df.shape)
print(list(df.columns))

(422164, 8)
['codgeo', 'libgeo', 'epci', 'libepci', 'date_arrete', 'nb_vp_rechargeables_el', 'nb_vp_rechargeables_gaz', 'nb_vp']


df.sample(5)


# Récupérer les départements 
def create_departement(dataframe):
    dataframe['Dep'] = dataframe['codgeo'].str.slice(0, 2)
    return dataframe

df = create_departement(df)


df.groupby("Dep")["nb_vp_rechargeables_el"].sum().reset_index()


def new_dataframeS(dataframe):
    colonnes = ['Dep', 'nb_vp_rechargeables_el','nb_vp']
    dataframe = dataframe[colonnes]
    dataframe_elec = dataframe.groupby("Dep")["nb_vp_rechargeables_el"].sum().reset_index()
    dataframe_total = dataframe.groupby("Dep")["nb_vp"].sum().reset_index()
    return dataframe_elec, dataframe_total

df_elec, df_total = new_dataframeS(df)


#Affiche une carte de la France avec le nombre de voitures par département
os.chdir("/Users/augustincablant/Documents/GitHub/Pycar")
def create_choropleth_map(dataframe, titre, colonne):
    #charge le fichier sous un format adéquat
    geojsonf = json.load(open ("DOWNLOAD/geojsonFRANCE.geojson", "r"))
    #crée une carte de la France coloriée par département par indice de densité
    fig = px.choropleth(dataframe, locations = "Dep", geojson = geojsonf, featureidkey= "properties.code", color = colonne, 
                        hover_data= [colonne], title = titre)
    fig.update_geos(fitbounds = "locations", visible = True)
    return fig


create_choropleth_map(df_elec, "Nombre de voitures électriques par département en France Métropolitaine", 'nb_vp_rechargeables_el')


create_choropleth_map(df_total, "Nombre de voitures par département en France Métropolitaine", 'nb_vp')


os.chdir("/Users/augustincablant/Documents/GitHub/Pycar")
df = pd.read_csv('DOWNLOAD/IEA-EV-dataEV salesProjection-STEPSCars.csv')
df.head()


for region in list(df['region'].unique()):
    years = [2020, 2021, 2022, 2025, 2030]
    colors = plt.cm.viridis(np.linspace(0, 1, len(years)))
    IEA = "Agence Internationale de l'Energie"
    sub_df1 = df[df['region'] == region]
    sub_df = sub_df1[sub_df1['parameter'] == 'EV sales']
    years = sub_df['year'].to_list()
    values = sub_df['value'].to_list()
    plt.figure(figsize=(12,8))
    plt.bar(years, values, color = colors)
    plt.title(f"Prévision de ventes de véhicules électriques dans la région {region} selon l'{IEA}")
    plt.grid(True)
    plt.xlabel('Années')
    plt.ylabel("Nombre de véhicules électriques (en millions)")
    plt.show()


URL_DATASET = 'https://data.enedis.fr/api/explore/v2.1/catalog/datasets/nombre-total-de-points-de-charge/exports/csv?lang=fr&timezone=Europe%2FBerlin&use_labels=true&delimiter=%3B'
df = pd.read_csv(URL_DATASET, sep = ';')
df.sample(5)


df.shape

(35, 4)


def transform_col1(row):
    year = row.split(' ')[0]
    return year

def transform_col2(row):
    sem = row.split('T')[1]
    return sem


df['Semestre'] = df['Trimestre'].apply(transform_col2)
df['Année'] = df['Trimestre'].apply(transform_col1)

def transform_col3(row): 
    row = row.split('T')
    year = row[0]
    sem_nb = row[1]
    return year + 'Q' + sem_nb
df['Trimestre'] = df['Trimestre'].apply(transform_col3)
df['Trimestre'] = pd.to_datetime(df['Trimestre'], format='%Y Q%m')
df.head()


list(df.columns)

['Trimestre',
 'Ouvert au public',
 'Particulier',
 'Société',
 'Semestre',
 'Année']


df.sort_values(by = ['Année', 'Semestre'], inplace = True)
df.head()


def total(dataframe):
    dataframe['Total'] = dataframe['Ouvert au public'] + dataframe['Particulier'] + dataframe['Société']
    return dataframe

df = total(df)
df.head()


for col in ['Ouvert au public', 'Particulier', 'Société', 'Total']:
    plt.figure(figsize = (12,8))
    plt.plot(df['Trimestre'], df[col])
    plt.xlabel('Trimestre')
    plt.xticks(rotation=90)
    plt.ylabel('Nombre de bornes')
    plt.title(f'Évolution du nombre de recharges {col} en France')
    plt.show()


X = df[['Semestre', 'Année']]
y = df['Total']

# Diviser les données en ensembles d'entraînement et de test
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.3, shuffle=False)

model = LinearRegression()
model.fit(X_train, y_train)
y_pred = model.predict(X_test)  #prédictions sur l'ensemble de test

# Évaluer les performances du modèle
mse = mean_squared_error(y_test, y_pred)
r2 = r2_score(y_test, y_pred)

# Afficher les résultats
print(f'Mean Squared Error: {mse}')
print(f'R-squared: {r2}')

Mean Squared Error: 416459288139.51404
R-squared: -2.8520673877147535


plt.figure(figsize=(12,8))
date_train = [year + ' Q' + sem for sem, year in X_train[['Semestre', 'Année']].values]
date_test = [year + ' Q' + sem for sem, year in X_test[['Semestre', 'Année']].values]
plt.plot(pd.to_datetime(date_train, format='%Y Q%m'), y_train, color = 'blue', label = 'Train')
plt.plot(pd.to_datetime(date_test, format='%Y Q%m'), y_test, color = 'cyan', label = 'Test')
plt.plot(pd.to_datetime(date_test, format='%Y Q%m'), y_pred, color = 'orange', label = 'Predictions')
plt.legend()
plt.xlabel('Temps')
plt.ylabel('Nombre de bornes')
plt.show()


# on mélange les dates d'entraînement en enlevant shuffle = False
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.3, random_state=42)
model = LinearRegression()
model.fit(X_train, y_train)
y_pred = model.predict(X_test)  #prédictions sur l'ensemble de test

# Évaluer les performances du modèle
mse = mean_squared_error(y_test, y_pred)
r2 = r2_score(y_test, y_pred)

# Afficher les résultats
print(f'Mean Squared Error: {mse}')
print(f'R-squared: {r2}')

Mean Squared Error: 42673224090.80993
R-squared: 0.4712165057853327


X_pred = pd.DataFrame([['4', '2023'], ['1', '2024'], ['2', '2024'], ['3', '2024'], ['4', '2024'],
          ['1', '2025'], ['2', '2025'], ['3', '2025'], ['4', '2025'], 
          ['1', '2026'], ['2', '2026'], ['3', '2026'], ['4', '2026']], columns = ['Semestre', 'Année'])
date_predictions = [year + ' Q' + sem for sem, year in X_pred[['Semestre', 'Année']].values]
predictions = model.predict(X_pred)

plt.figure(figsize=(12,8))
date = [year + ' Q' + sem for sem, year in X[['Semestre', 'Année']].values]
plt.plot(pd.to_datetime(date, format='%Y Q%m'), y, color = 'blue', label = 'Connues')
plt.plot(pd.to_datetime(date_predictions, format='%Y Q%m'), predictions, color = 'orange', label = 'Predictions')
plt.legend()
plt.xlabel('Temps')
plt.ylabel('Nombre de bornes')
plt.show()


# On commence par récupérer notre data set 
URL = 'https://www.data.gouv.fr/fr/datasets/r/517258d5-aee7-4fa4-ac02-bd83ede23d25'
df = pd.read_csv(URL, sep = ';')
df.sample(5)


list(df['acces_recharge'].unique())

['gratuit',
 'payant',
 'Payant',
 'Carte Mobive',
 nan,
 'Gratuit',
 'GRATUIT',
 'gratuit pour la clientèle du parking',
 '0.19€/kWh + 0.01€/min',
 'QR code / appli mobile / Carte RFID',
 'badge RFID; QR Code',
 'Payant (badge, appli et QR code)',
 'Public payant',
 'Accès payant (Badge RFID, application, site web paynow.sodetrel.fr, badges vendus en boutique)',
 'Charges gratuites de 12 à 14h et de 19h à 21h',
 'oui',
 '5€ / 45min, si abonné (10€/mois) : 1€/10min',
 'Réservation préalable, accès par badge',
 '2€/recharge',
 '2€/recharge+ prix du stationnement']


def transform_acces(row):
    if not pd.isna(row):  # On ne peut rien dire des nan
        row = row.lower()  # Mettre en lettre minuscule 
        mots = row.split(' ')
        if 'payant' in mots: row = 'payant'
        elif 'gratuit' in mots: row = 'gratuit'
        for mot in mots: 
            if len(mot.split('€'))>1: row = 'payant'
            if mot=='carte' or mot=='badge': row = 'carte ou badge'
            if mot=='oui': row = 'information manquante'
        #else: row = 'accès spécial'
    else: row = 'information manquante'
    return row
df['acces_recharge'] = df['acces_recharge'].apply(transform_acces)
list(df['acces_recharge'].unique())

['gratuit',
 'payant',
 'carte ou badge',
 'information manquante',
 'charges gratuites de 12 à 14h et de 19h à 21h']


print('Il y a ', df[df['xlongitude'].isna()].shape[0], 'valeurs manquantes pour xlongitude')
print('Il y a ', df[df['ylatitude'].isna()].shape[0], 'valeurs manquantes pour ylatitude')
sns.heatmap(df[['xlongitude', 'ylatitude']].isna(), cmap = 'magma', cbar = False)

Il y a  30 valeurs manquantes pour xlongitude
Il y a  6 valeurs manquantes pour ylatitude

<Axes: >


droping_liste = list(set(df[df['xlongitude'].isna()].index.to_list() + df[df['ylatitude'].isna()].index.to_list()))
df.drop(droping_liste, inplace = True)


bornes_region = df['region'].value_counts().reset_index()  # On compte le nombre de bornes par région
bornes_region.columns = ['region', 'nombre de bornes']
bornes_region = bornes_region.sort_values(by='nombre de bornes', ascending=False)

# On affiche cela dans un histogramme 
plt.figure(figsize=(12, 6))
plt.bar(bornes_region['region'], bornes_region['nombre de bornes'])
plt.xlabel('Région')
plt.ylabel('Nombre de bornes')
plt.title('Nombre de bornes de recharge pour les véhicules électriques par région')
plt.xticks(rotation=90)
plt.tight_layout()
plt.show()


# Quelques modifications pour le futur merge
bornes_region['region'][11] = 'Grand Est'
bornes_region['region'][9] = 'Île-de-France'
bornes_region['region'][8] = 'Centre-Val-de-Loire'


# Commençons par regarder l'évolution du nombre de véhicules électrique
# Pour cela nous avons scrappé les données de wikipedia, le contenu se trouve dans le dossier SCRAP : 'scrap_VE.py'
os.chdir("/Users/augustincablant/Documents/GitHub/Pycar")
EVOL_VE = pd.read_csv('SCRAP/EVOL_VE.csv')
fig, ax1 = plt.subplots()
ax1.plot(EVOL_VE['Année'], EVOL_VE['Part de marché'], color='red', alpha=0.8, label='Part de marché des véhicules électrique')
ax1.set_xlabel('Années')
ax1.set_ylabel('Parts de marché')
ax1.set_xlim(2010, 2023)
ax2 = ax1.twinx()
ax2.scatter(EVOL_VE['Année'], EVOL_VE['Voitures particulières'], color='blue', label='Voitures particulières')
ax2.scatter(EVOL_VE['Année'], EVOL_VE['Utilitaires'], color='orange', label='Utilitaires')
ax2.set_ylabel('Nombre de voitures')
ax1.legend()
ax2.legend(loc = 'center left')
plt.show()


# Répartition des nouveaux véhicules électriques en France en 2018 
VE_REP = pd.read_csv('SCRAP/VE_2018.csv')
VE_REP.sort_values(by = 'Immatriculations', ascending = False, inplace=True)
plt.figure(figsize=(12, 6))
plt.bar(VE_REP['Département'], VE_REP['Immatriculations'], color = 'grey')
plt.xlabel('Département')
plt.ylabel('Nombre de nouvelles immatriculations')
plt.title('Nombre de nouvelles immatriculations par région en France en 2018')
plt.xticks(rotation=90)
plt.tight_layout()
plt.show()


VE_REP = pd.read_csv('SCRAP/VE_2018.csv')
def get_number(row):
    return float('.'.join(re.findall(r'\d+', row)))
VE_REP['parts'] = VE_REP['Part de marché'].apply(get_number)

VE_REP.sort_values(by = 'parts', inplace=True, ascending = False)
plt.figure(figsize=(12, 6))
plt.bar(VE_REP['Département'], VE_REP['parts'], color = 'orange')
plt.xlabel('Département')
plt.ylabel("Part de marché de l'électrique en %")
plt.title('Part de marché des voitures électriques par région en France en 2018')
plt.xticks(rotation=90)
plt.tight_layout()
plt.show()


code_insee = pd.read_csv('https://www.insee.fr/fr/statistiques/fichier/6800675/v_commune_2023.csv')
code_insee.head()


merge_df = pd.merge(df, code_insee, left_on='code_insee_commune', right_on='COM')


merge_df.sample()


merge_df.columns

Index(['n_amenageur', 'n_operateur', 'n_enseigne', 'id_station', 'n_station',
       'ad_station', 'code_insee', 'xlongitude', 'ylatitude', 'nbre_pdc',
       'id_pdc', 'puiss_max', 'type_prise', 'acces_recharge', 'accessibilite',
       'observations', 'date_maj', 'source', 'geo_point_borne',
       'code_insee_commune', 'region', 'departement', 'TYPECOM', 'COM', 'REG',
       'DEP', 'CTCD', 'ARR', 'TNCC', 'NCC', 'NCCENR', 'LIBELLE', 'CAN',
       'COMPARENT'],
      dtype='object')


#Il faut choisir l'échelle parmi les éléements de liste_echelle pour les fonctions suivantes

liste_echelle = ['LIBELLE','departement','region']

def top20_bornes(dataframe, echelle):
    """ 
    Renvoie un dataframe contenant les 20 plus grandes localisations selon l'échelle ayant le plus de bornes
    """
    df_villes = dataframe[echelle].value_counts()
    df_top20 = df_villes.head(20)
    return df_top20

def afficher_top20(echelle):
    """ 
    Affiche un bar chart en fonction de l'échelle donnée en argument
    """
    df = top20_bornes(merge_df,echelle)
    fig = px.bar(df)
    fig.update_layout(title_text="Les 20 {}s ayant le plus d'infrastructuress de recharge".format(echelle.lower()))
    fig.update_yaxes(title_text='Nombre de bornes')
    fig.update_xaxes(title_text='{}s'.format(echelle))
    return fig


afficher_top20(liste_echelle[0])


afficher_top20(liste_echelle[1])


afficher_top20(liste_echelle[2])


# Récupérer les données pour afficher la carte du monde

map_osm = folium.Map(location=[48.85, 2.34])

legend_html = """
     <div style="position: fixed; 
                 bottom: 100px; left: 50px; width: 200px; height: 120px; 
                 border:2px solid grey; z-index:9999; font-size:14px;
                 background-color:white;
                 ">
     <p style="margin:10px;">Legende</p>
     <p style="background-color:orange; margin:5px;">Payant</p>
     <p style="background-color:green; margin:5px;">Gratuit</p>
     <p style="background-color:grey; margin:5px;">Information manquante</p>
     <p style="background-color:cyan; margin:5px;">Carte ou badge</p>
     <p style="background-color:yellow; margin:5px;">Charges gratuites de 12h à 14h et de 19h à 21h</p>
      </div>
     """

# Ajoutez la légende personnalisée à la carte
map_osm.get_root().html.add_child(folium.Element(legend_html))


for index, lat, lon, com, acces_recharge in df[['ylatitude', 'xlongitude', 'n_station', 'acces_recharge']].itertuples():
    # Créer un marqueur avec une couleur différente en fonction des valeurs
    if acces_recharge == 'payant': fill_color = 'orange'
    elif acces_recharge == 'gratuit': fill_color = 'green'
    elif acces_recharge == 'information manquante': fill_color = 'grey'
    elif acces_recharge == 'carte ou badge': fill_color = 'cyan'
    elif acces_recharge == 'charges gratuites de 12 à 14h et de 19h à 21h': fill_color = 'yellow'
    # Ajouter le marqueur à la carte
    folium.RegularPolygonMarker(location=[lat, lon], popup=com, fill_color= fill_color, color =fill_color, radius=5).add_to(map_osm)

# Sauvegardez la carte au format HTML
#map_osm.save('/Users/augustincablant/Documents/GitHub/PyCar/DOWNLOAD/map_bornes.html')

map_osm


os.chdir("/Users/augustincablant/Documents/GitHub/Pycar")
df_acc = pd.read_csv('SCRAP/EVOL_ACC.csv').set_index('Année')
df_acc = df_acc[1:]
df_acc = df_acc.drop(['1981 et 1982'])
df_acc['Accidents'] = df_acc['Accidents'].astype(int)
df_acc.head()


plt.figure(figsize = (12, 8))
df_sampled = df_acc[::4]
plt.plot(df_acc.index, df_acc['Accidents'], marker='o', linestyle='-')
plt.title('Évolution des accidents en France métropolitaine')
plt.xlabel('Année')
plt.xticks(df_sampled.index)
plt.ylabel('Accidents')
plt.legend(['Nombre d\'accidents'], loc='upper left')
plt.show()


os.chdir("/Users/augustincablant/Documents/GitHub/Pycar")
accidents_2022idf_carac= pd.read_excel("notebooks/accidents/accidents_2022_idf.xlsx")

#reshape des data
accidents_2022idf_carac["Latitude"]=accidents_2022idf_carac["Latitude"].str.replace(',','.').astype(float)
accidents_2022idf_carac["Longitude"]=accidents_2022idf_carac["Longitude"].str.replace(',','.').astype(float)
accidents_2022idf_carac.columns

Index(['Dépt', 'Commune', 'Date', 'Tué(s)', 'Blessés', 'dont hospitalisés',
       'dont légers', 'Milieu', 'Autoroute', 'Adresse', 'Latitude',
       'Longitude', 'Résumé'],
      dtype='object')


#on trie les données d'accident en fonction de leur localisation
dict_accidents_2022idf = accidents_2022idf_carac.groupby(["Commune","Adresse"]).groups
#on trie le dictionnaire obtenu
dict_trie_accidents_2022idf=dict(sorted(dict_accidents_2022idf.items(),key=lambda item : len(item[1]),reverse=True))


carte=folium.Map([48.866667,2.333333],zoom_start=12)
#on affiche les 25 localisations avec le plus d'accidents en Idf
i=0
for key in dict_trie_accidents_2022idf.keys():
    list1=[]
    for elem in dict_trie_accidents_2022idf[key]:
        list1.append(accidents_2022idf_carac.iloc[elem]["Latitude"])
        m1,m2=list1.index(min(list1)),list1.index(max(list1))
        #on affiche une ligne entre les points les plus éloignés
    coord_ligne1=[accidents_2022idf_carac.iloc[dict_trie_accidents_2022idf[key][m1]]['Longitude'],accidents_2022idf_carac.iloc[dict_trie_accidents_2022idf[key][m1]]['Latitude']]
    coord_ligne2=[accidents_2022idf_carac.iloc[dict_trie_accidents_2022idf[key][m2]]['Longitude'],accidents_2022idf_carac.iloc[dict_trie_accidents_2022idf[key][m2]]['Latitude']]
    folium.PolyLine([coord_ligne1,coord_ligne2],popup=key,weight = 0.7 * len(dict_trie_accidents_2022idf[key]/len(dict_trie_accidents_2022idf[('93066 - Saint-Denis','AUTOROUTE A1')]))).add_to(carte)
    i=i+1
    if i > 25:
        break
    
carte.save("accidents_idf_2022.html")


carte

	Émissions de gaz à effet de serre par activité	1990	1991	1992	1993	1994	1995	1996	1997	1998	...	2013	2014	2015	2016	2017	2018	2019	2020	2021	2022
0	Industrie de l’énergie	78.851202	80.089495	81.357832	69.065977	65.973570	68.502396	72.081708	67.707550	80.069139	...	60.838441	47.198489	49.956407	53.546045	57.306330	47.982937	46.237280	41.266444	42.490917	44.575656
1	Industrie manufacturière et construction	139.412357	151.891836	139.881424	134.659609	135.640506	136.156076	138.341342	137.138262	131.172430	...	88.703973	86.003308	83.687003	83.202542	82.886590	82.798769	79.778832	72.046643	77.952643	72.973903
2	Traitement centralisé des déchets	15.770500	16.468496	17.264753	18.042975	18.419108	18.651170	18.695998	18.681612	19.112439	...	16.672992	16.007408	14.990339	15.011350	15.092677	14.821750	16.019293	15.927553	15.208793	15.177475
3	Usage des bâtiments et activités résidentiels/...	93.260689	102.932198	99.120231	95.513850	89.059078	88.948882	98.907077	94.048578	98.784997	...	98.034366	81.848655	84.846037	84.777680	84.062820	79.047162	76.038243	71.317465	75.090141	64.024935
4	Agriculture/sylviculture	88.297176	87.390855	87.067203	85.916454	85.034512	85.708999	86.605312	86.666545	86.890664	...	81.963010	83.494725	83.110580	81.690808	81.314373	80.438064	78.615927	78.244410	76.506548	76.524915

	Mp	m (kg)	Ft	ep (KW)	z (Wh/km)	Status	year	Fuel consumption	Electric range (km)
15608	STELLANTIS	1530.0	ELECTRIC	100.0	159.0	P	2022	NaN	351.0
197444	RENAULT-NISSAN-MITSUBISHI	1201.0	ELECTRIC	31.0	161.0	P	2022	NaN	188.0
182778	RENAULT-NISSAN-MITSUBISHI	1711.0	ELECTRIC	55.0	162.0	P	2022	NaN	435.0
207503	RENAULT-NISSAN-MITSUBISHI	1201.0	ELECTRIC	31.0	161.0	P	2022	NaN	187.0
137817	TESLA-HONDA-JLR	1835.0	ELECTRIC	88.0	144.0	P	2022	NaN	491.0
191624	RENAULT-NISSAN-MITSUBISHI	1577.0	ELECTRIC	51.0	173.0	P	2022	NaN	395.0
20326	STELLANTIS	1530.0	ELECTRIC	100.0	160.0	P	2022	NaN	350.0
20700	STELLANTIS	1623.0	ELECTRIC	100.0	159.0	P	2022	NaN	341.0
42524	STELLANTIS	1659.0	ELECTRIC	57.0	153.0	P	2022	NaN	353.0
105023	RENAULT-NISSAN-MITSUBISHI	1012.0	ELECTRIC	18.0	139.0	P	2022	NaN	230.0

	Type d'énergie	2015	2021
0	Essence	739.374	669.928
1	Diesel	1097.122	349.479
2	Hybride1	61.617	430.899
3	Électricité	17.268	162.106
4	Bicarburation (essence + GPL + GNV)	1.553	46.422

	Mh	Cn	year	Ft	m (kg)	Enedc (g/km)	Ewltp (g/km)	Electric range (km)	Fuel consumption
0	RENAULT	CLIO	2013	petrol	1062.0	135.0	0.0	0.0	0.0
947	AUTOMOBILES CITROEN	DS4 / 1.6 / HDI AUT.	2013	diesel	1375.0	114.0	0.0	0.0	0.0
946	AUTOMOBILES CITROEN	DS4 / 1.6 / HDI	2013	diesel	1370.0	113.0	0.0	0.0	0.0
945	AUTOMOBILES CITROEN	DS3 RACING / 1.6 / 16V TURBO	2013	petrol	1240.0	149.0	0.0	0.0	0.0
944	AUTOMOBILES CITROEN	DS3 / 1.6 / 16V TURBO	2013	petrol	1165.0	135.0	0.0	0.0	0.0
...	...	...	...	...	...	...	...	...	...
1593	AUTOMOBILES CITROEN	JUMPY SPACE TOURER / 2.0 / HDI L2	2021	diesel	1793.0	0.0	183.0	0.0	7.0
1592	AUTOMOBILES CITROEN	JUMPY SPACE TOURER / 2.0 / AUT.HDI L2	2021	diesel	1839.0	0.0	186.0	0.0	7.1
1591	AUTOMOBILES CITROEN	JUMPY SPACE TOURER / 1.5 / HDI L2	2021	diesel	1734.0	0.0	167.0	0.0	6.4
1584	AUTOMOBILES CITROEN	C4 SPACETOURER / 2.0 / HDI AUT.	2021	diesel	1615.0	0.0	160.0	0.0	6.1
1598	AUTOMOBILES PEUGEOT	EXPERT TRAVELLER / 2.0 / AUT. HDI L3	2021	diesel	1842.0	0.0	186.0	0.0	7.1

	Classement	Voitures	kWh	Prix	Autonomie
0	1.0	Mercedes EQS	108.0	135 850 €	783 km
1	2.0	Fisker Ocean	106.0	69 950 €	707 km
3	4.0	Volkswagen ID.7	86.0	NaN	700 km
4	4.0	Peugeot e-3008	98.0	NaN	700 km
6	7.0	Tesla Model 3	76.0	50 990 €	678 km

EDA : EXPLORATORY DATA ANALAYSIS¶

Table des matières:¶

I. La pollution en France¶

Les facteurs d’émissions des différents modes de transport routier en Europe¶

II. Répartition de la population en France métropolitaine¶

III. Répartition des véhicules électriques en France métropolitaine¶

A. Véhicules électriques en France¶

Premiers pas avec le fichier¶

B. Analyse du fichier¶

C. Répartition des ventes de véhicules en fonction de leur motorisation en France¶

D. Classement des véhicules électriques en France métropolitaine¶

E. Autonomie des voitures électriques¶

F. Évolution des voitures électriques en France métropolitaine¶

G. Voitures particulières immatriculées par commune et par type de recharge¶

H. Projection de ventes de voitures électriques selon l'IEA¶

I. Tentative de prédictions¶

IV. Répartition des bornes électriques en France métropolitaine¶

V. Accidents France métropolitaine¶

	ID	Country	Mp	Mh	Man	MMS	Tan	T	Va	...	Status	year
0	256235	GR	POOL RENAULT	RENAULT	RENAULT SAS	RENAULT	e22001/1160327*37	R	BR1S	...	F	2013
1	256364	GR	POOL RENAULT	RENAULT	RENAULT SAS	RENAULT	e22001/1160327*54	R	2R40	...	F	2013
2	256433	GR	POOL RENAULT	RENAULT	RENAULT SAS	RENAULT	e22001/1160359*29	N	CNJ1	...	F	2013
3	256451	GR	POOL RENAULT	RENAULT	RENAULT SAS	RENAULT	e22001/1160364*22	W	KW25	...	F	2013
4	256453	GR	POOL RENAULT	RENAULT	RENAULT SAS	RENAULT	e22001/1160373*25	Z	BZ1V	...	F	2013

	codgeo	libgeo	epci	libepci	date_arrete	nb_vp_rechargeables_el	nb_vp
395142	65406	SARNIGUET	200069300.0	CA Tarbes-Lourdes-Pyrénées	2021-03-31	2	318
328867	53011	ASTILLÉ	200048551	CC du Pays de Craon	2020-12-31	5	808
330436	54173	DROUVILLE	245400759	CC du Pays du Sanon	2021-09-30	0	182
272824	77380	PUISIEUX	247700065	CC du Pays de l'Ourcq	2021-03-31	4	397
93121	12095	ESCANDOLIÈRES	241200625	CC du Pays Rignacois	2023-06-30	5	259

	Dep	nb_vp_rechargeables_el
0	01	35994
1	02	53269
2	03	34011
3	04	24126
4	05	18994
...	...	...
75	92	160815
76	93	60607
77	94	61384
78	95	53672
79	97	54954

	region	category	parameter	mode	powertrain	year	unit	value
0	China	Projection-STEPS	Oil displacement Mbd	Cars	EV	2020	Milion barrels per day	0.046
1	China	Projection-STEPS	Oil displacement, million lge	Cars	EV	2020	Oil displacement, million lge	2800.000
2	China	Projection-STEPS	EV stock share	Cars	EV	2020	percent	1.800
3	China	Projection-STEPS	Electricity demand	Cars	EV	2020	GWh	13000.000
4	China	Projection-STEPS	EV sales share	Cars	EV	2020	percent	5.800

	Trimestre	Ouvert au public	Particulier	Société
8	2018 T3	24319	97164	96616
33	2017 T2	19750	68509	68930
6	2020 T2	32648	192823	180499
14	2016 T2	13861	48412	52015
20	2015 T1	8478	25638	34746

	Trimestre	Ouvert au public	Particulier	Société	Semestre	Année
0	2023-03-01	109856	906942	652131	3	2023
1	2022-03-01	71630	623836	446585	3	2022
2	2020-01-01	31081	172822	167797	1	2020
3	2016-04-01	16220	57039	59408	4	2016
4	2020-04-01	34686	267371	237863	4	2020

	Trimestre	Ouvert au public	Particulier	Société	Semestre	Année
20	2015-01-01	8478	25638	34746	1	2015
10	2015-02-01	10086	29662	37933	2	2015
34	2015-03-01	10928	32278	38681	3	2015
9	2015-04-01	11113	37448	42891	4	2015
26	2016-01-01	12830	43284	48013	1	2016

	n_amenageur	n_operateur	n_enseigne	id_station	n_station	ad_station	code_insee	xlongitude	ylatitude	nbre_pdc	...	type_prise	acces_recharge	accessibilite	observations	date_maj	source	geo_point_borne	code_insee_commune	region	departement
3142	Opel Lievin	DRIVECO	Opel Lievin	FRG44PLEMPEREUROPEL62800*1	Opel Lievin	Forum de l'Automobile Avenue François Mitteran...	62510.0	2.786037	50.426319	6.0	...	EF, T2	Gratuit	24/24 7/7 jours	NaN	2021-03-03	https://www.data.gouv.fr/fr/datasets/liste-des...	50.426319,2.786037	62510	Hauts-de-France	Pas-de-Calais
7007	Mairie de Paris	Mairie de Paris	Paris Recharge	FRW75PVP*0002	2 RUE DE L'AMIRAL DE COLIGNY	2 RUE DE L'AMIRAL DE COLIGNY, 75001 PARIS	75101.0	2.340240	48.859710	6.0	...	prise T3	payant	7/7-24/24	Courant: AC mono\|tarif: 120€/an\|https://www.pa...	2020-07-22	https://www.data.gouv.fr/fr/datasets/paris-rec...	48.85971,2.34024	75056	Île-de-France	Paris
9186	TOTAL MARKETING FRANCE	TOTAL MARKETING FRANCE	Belib'	FRV75PPX08*03	Paris \| Rue d'Astorg 11	66 Rue d'Astorg, 75008 Paris	75108.0	2.319389	48.872833	6.0	...	T2-EF	payant	7/7-24/24	https://belib.paris	2021-05-04	https://www.data.gouv.fr/fr/datasets/belib-poi...	48.872833,2.3193886	75056	Île-de-France	Paris
16501	Communauté d'Agglomération Maubeuge Val de Sambre	BOUYGUES ENERGIES ET SERVICES	pass pass électrique	FRH02P59187*001	ECLAIBES - Ch Margot	Ch Margot 59330 ÉCLAIBES	59187.0	3.932986	50.202984	2.0	...	EF - T2	payant	24h/24 7j/7	Recharge par badge et avec une application sma...	2020-04-03	https://www.data.gouv.fr/fr/datasets/infrastru...	50.202984,3.932986	59187	Hauts-de-France	Nord
10253	Syndicat Départemental d'Énergie de Loire-Atla...	Syndicat Départemental d'Énergie de Loire-Atla...	SYDEGO	FRS44P44130C	Pont-Saint-Martin \| Rue de la Flamme Olympique	Rue de la Flamme Olympique 44860 Pont-Saint-Ma...	NaN	-1.540393	47.112585	1.0	...	CHAdeMO-Combo-T2 câble attaché	Payant	24/24 7/7	NaN	2020-07-10	https://www.data.gouv.fr/fr/datasets/bornes-de...	47.112585,-1.540393	44130	Pays de la Loire	Loire-Atlantique

	TYPECOM	COM	REG	DEP	CTCD	ARR	TNCC	NCC	NCCENR	LIBELLE	CAN	COMPARENT
0	COM	01001	84.0	01	01D	012	5	ABERGEMENT CLEMENCIAT	Abergement-Clémenciat	L'Abergement-Clémenciat	0108	NaN
1	COM	01002	84.0	01	01D	011	5	ABERGEMENT DE VAREY	Abergement-de-Varey	L'Abergement-de-Varey	0101	NaN
2	COM	01004	84.0	01	01D	011	1	AMBERIEU EN BUGEY	Ambérieu-en-Bugey	Ambérieu-en-Bugey	0101	NaN
3	COM	01005	84.0	01	01D	012	1	AMBERIEUX EN DOMBES	Ambérieux-en-Dombes	Ambérieux-en-Dombes	0122	NaN
4	COM	01006	84.0	01	01D	011	1	AMBLEON	Ambléon	Ambléon	0104	NaN

	Accidents
Année
1949	25247
1950	50000
1951	70000
1952	95000
1953	118881